fedpool

Extraction de piscines sur la base d’images aériennes

Raphaël Bubloz

Plan

Introduction

Littérature liée

Données / Méthodologie

Pratique

Résultats

Conclusion

Introduction

Avec le changement climatique, l’usage de l’eau en été devient un enjeu croissant

Article du Temps

Les piscines (privées) sont souvent au cœur des débats

Introduction


Il n’y a pas de données centralisées en Suisse


Les piscines sont régies par le droit des constructions


Les données communales ne sont pas publiques (quand elles existent…)

Introduction

Nouvelles méthodes et données à disposition

Littérature liée


Séminaire basé sur deux “papiers”

  • Un rapport sur les aspects fiscaux

  • Un article sur les aspects techniques

Foncier innovant

Direction générale des Finances publiques. (2022). L’intelligence artificielle au service de la lutte contre la fraude : Bilan de l’expérimentation « Foncier innovant » (p. 9). https://www.impots.gouv.fr/sites/default/files/media/2_actu/home/2022/dp_foncier_innovant.pdf


Après une expérimentation dans 9 départements, plus de 20’000 piscines non déclarées ont été détectées

Recettes fiscales estimées à 10M € supplémentaires dans ces départements

Foncier innovant

Le projet a coûté 24M € sur 3 ans et devrait rapporter 40M € en une année pour la France (métropolitaine)


Peu de détails techniques si ce n’est que l’administration est accompagnée dans la mise en place, mais qu’elle garde la propriété intellectuelle des modèles


Utilisation uniquement des images aériennes publiques de l’IGN (sur un cloud)

Foncier innovant

Exemple de piscine détectée en France

Platform for Swimming Pool Detection

Sánchez San Blas, H., Carmona Balea, A., Sales Mendes, A., Silva, L. A., & Villarrubia González, G. (2023). A Platform for Swimming Pool Detection and Legal Verification Using a Multi-Agent System and Remote Image Sensing. International Journal of Interactive Multimedia and Artificial Intelligence, 8(4), 153. https://doi.org/10.9781/ijimai.2023.01.002


Améliorer un processus manuel (!) afin de détecter le 20% de piscines en Espagne qui ne seraient pas déclarées


Comparaison de différentes sources et architectures de modèles

Platform for Swimming Pool Detection

Google maps

Set d’entraînement (Planet?)

Platform for Swimming Pool Detection


Comparaison de 3 modèles de détection :

  • YOLOv4 (You Only Look Once)

  • Mask R-CNN (Mask Region-Based Convolutional Neural Network)

  • Detectron2


YOLO obtient les meilleurs résultats dans le cas d’usage

Platform for Swimming Pool Detection


YOLO est une architecture visant à accomplir de la détection d’image


Cela consiste à identifier l’emplacement des “objets” et à leur attribuer une classe


YOLO est un single-stage object detector, les objets et classes sont attribués pour l’image entière, elle ne passe donc qu’une fois dans le modèle

Platform for Swimming Pool Detection

Exemple du workflow YOLO (Sánchez San Blas et al., 2023)

Platform for Swimming Pool Detection


La tâche à effectuer est de la détection de classe unique (piscine)


Le jeu de données d’entraînement est composé de 999 images (799 train | 200 test) pour 2300 piscines (1892 | 408)

Platform for Swimming Pool Detection

Métriques d’évaluation

Précision = \(\frac{TP}{TP + FP}\)

Recall = \(\frac{TP}{TP + FN}\)

F1 = \(2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}\)

La vitesse en FPS

La mean average precision (mAP) (courbe de précision et recall en fonction de la confiance dans la détection)

L’Intersection over Union (IoU) (chevauchement des bounding boxes / la surface de leur union)

Platform for Swimming Pool Detection

Calcul d’IoU (https://pyimagesearch.com, 2016)

Platform for Swimming Pool Detection

Platform for Swimming Pool Detection

Le reste de l’article contient la description du système dans lequel s’intègre la détection

Les conclusions sont que le modèle YOLOv4 est le plus approprié et que des ajustements peuvent être fait selon l’objectif à atteindre


Monter le seuil de confiance à 25% au lieu de 10% pour améliorer la précision et utiliser des images plus précises malgré le temps de calcul plus important

fedpool

Données


swissIMAGE 10cm de swisstopo

Disponible pour toute la Suisse


2 résolutions 0.1 et 2 mètres

Données

Extrait de Plan-les-Ouates, 0.1m, © swisstopo

img2

Méthodologie

Pratique

Résultats

Conclusion

Introduction au traitement d’image